基于Fisher-PCA和深度学习的入侵检测方法研究

• 作者: 任午令 张鑫杰
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 深度学习 入侵检测 特征提取 主成分分析 KDD99
• 年，卷（期）: 2020,（5）
• 页码范围: 956-964
• 页数: 9页
• 分类号: TP393.0
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2020.05.016

摘要

为了在攻击形式多样化、入侵数据海量及多维化的环境中快速、准确地识别网络攻击,提出了一种融合Fisher-PCA特征提取与深度学习的入侵检测算法.通过Fisher特征选择算法选出重要的特征组成特征子集,然后基于主成分分析法(Principal component analysis,PCA)将特征子集进行降维,提取出了分类能力强的特征集.构建了一种新的深度神经网络(Deep neural networks,DNN)模型对网络攻击数据和正常数据进行识别与分类.在KDD99数据集上进行实验,结果表明:与传统的人工神经网络(Artificial neural network,ANN)和支持向量机(Support vector machine,SVM)算法相比,这种入侵检测算法的准确率分别提高了12.63％和6.77％,误报率由原来的2.31％和1.96％降为0.28％;与DBN4和PCA-CNN算法相比,在准确率和检测率保持基本相同的同时有着更低的误报率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	任午令		9	43	4.0	6.0
2	张鑫杰		1	0	0.0	0.0